La inteligencia artificial mejora la imagenología biomédica
Los investigadores de ETH usan inteligencia artificial para mejorar la calidad de las imágenes registradas por un método de imagenología biomédica relativamente nuevo. Esto allana el camino hacia un diagnóstico más preciso y dispositivos rentables.
La imagenología optoacústica es particularmente buena para visualizar los vasos sanguíneos.
ETH Zürich / Daniel Razansky
Científicos de ETH Zurich y de la Universidad de Zurich han utilizado métodos de aprendizaje automático para mejorar la imagenología optoacústica. Esta técnica de imagenología médica relativamente joven puede ser usada para aplicaciones tales como la visualización de vasos sanguíneos, el estudio de la actividad cerebral, la caracterización de lesiones de piel y el diagnóstico de cáncer de mama. Sin embargo, la calidad de las imágenes renderizadas depende en gran medida del número y distribución de los sensores utilizados por el dispositivo: cuantos más, mejor será la calidad de la imagen. El nuevo enfoque desarrollado por los investigadores de ETH permite una reducción sustancial del número de sensores sin renunciar a la calidad de imagen resultante. Esto permite reducir el coste del dispositivo, aumentar la velocidad de imagen o mejorar el diagnóstico.
La optoacústica es similar en algunos aspectos a la ecografía. En este último, una sonda envía ondas ultrasónicas al cuerpo, que son reflejadas por el tejido. Los sensores en la sonda detectan las ondas sonoras que regresan y posteriormente se genera una imagen del interior del cuerpo. En la imagenología optoacústica, los pulsos láser muy cortos son enviados al tejido, donde son absorbidos y convertidos en ondas ultrasónicas. De manera similar a las imágenes por ultrasonido, las ondas son detectadas y convertidas en imágenes.
Corrección de distorsiones de imagen
El equipo dirigido por Daniel Razansky, Profesor de Imagen Biomédica en ETH Zurich y la Universidad de Zurich, buscó una manera de mejorar la calidad de imagen de los dispositivos optoacústicos de bajo costo que poseen sólo un pequeño número de sensores ultrasónicos.
Para ello, comenzaron utilizando un escáner optoacústico de alta gama desarrollado por ellos mismos con 512 sensores, que proporcionaba imágenes de calidad superior. Estas imágenes fueron analizadas por una red neuronal artificial, que fue capaz de aprender las características de las imágenes de alta calidad.
Luego, los investigadores descartaron la mayoría de los sensores, de modo que sólo quedaban 128 o 32 sensores, con un efecto perjudicial en la calidad de la imagen. Debido a la falta de datos, aparecieron en las imágenes distorsiones conocidas como artefactos de tipo rayas. Sin embargo, resultó que la red neural previamente entrenada era capaz de corregir en gran medida estas distorsiones, acercando así la calidad de la imagen a las mediciones obtenidas con los 512 sensores.
En optoacústica, la calidad de la imagen aumenta no sólo con el número de sensores utilizados, sino también cuando la información es capturada desde tantas direcciones como sea posible: cuanto mayor sea el sector en el que los sensores están dispuestos alrededor del objeto, mejor será la calidad. El algoritmo de aprendizaje de máquina desarrollado también fue exitoso en mejorar la calidad de las imágenes que fueron grabadas desde un sector estrechamente circunscrito. "Esto es particularmente importante para las aplicaciones clínicas, ya que los pulsos láser no pueden penetrar en todo el cuerpo humano, por lo tanto, la región de la imagen normalmente sólo es accesible desde una dirección", según Razansky.
Facilitar la toma de decisiones clínicas
Los científicos enfatizan que su enfoque no se limita a la imagenología optoacústica. Debido a que el método opera sobre las imágenes reconstruidas, no sobre los datos crudos grabados, también es aplicable a otras técnicas de imagenología. "Básicamente, se puede utilizar la misma metodología para producir imágenes de alta calidad a partir de cualquier tipo de datos escasos", dice Razansky. Explica que los médicos a menudo se enfrentan al reto de interpretar imágenes de baja calidad de los pacientes. "Mostramos que tales imágenes pueden ser mejoradas con métodos de IA, haciendo más fácil obtener un diagnóstico más preciso."
Para Razansky, este trabajo de investigación es un buen ejemplo de para qué se pueden utilizar los métodos existentes de inteligencia artificial. "Mucha gente piensa que la IA podría reemplazar la inteligencia humana. Esto es probablemente exagerado, al menos para la tecnología de IA actualmente disponible", dice. "No puede reemplazar la creatividad humana, pero puede liberarnos de algunas tareas laboriosas y repetitivas."
En su investigación actual, los científicos utilizaron un dispositivo de tomografía optoacústica personalizado para animales pequeños, y entrenaron los algoritmos de aprendizaje automático con imágenes de ratones. El próximo paso será aplicar el método a las imágenes optoacústicas de pacientes humanos, dice Razansky.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la industria de las ciencias biológicas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de biotecnología, productos farmacéuticos y ciencias de la vida le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
